- · 实验技术与管理版面费是[10/21]
- · 《实验技术与管理》投稿[10/21]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
基于单目深度先验与特征一致性的域泛化立体匹
作者:网站采编关键词:
摘要：研究背景与问题 合成数据集在立体匹配模型的训练中广泛使用，因其便于获取和标签化。然而，模型在实际应用中的真实场景表现却常常不理想。主要原因在于模型在训练过程中过度依
研究背景与问题
合成数据集在立体匹配模型的训练中广泛使用，因其便于获取和标签化。然而，模型在实际应用中的真实场景表现却常常不理想。主要原因在于模型在训练过程中过度依赖合成数据集，导致其在真实场景中面临域偏移问题，性能显著下降。针对这一背景，研究旨在探索一种新的立体匹配方法，以提高模型在真实场景下的域泛化能力。
研究方法
本研究提出了一种名为GCNet-FCDepth的域泛化立体匹配方法。该方法主要包含两个核心组件：单目深度先验引导和特征一致性约束。首先，利用预训练的单目深度模型（Depth Anything V2）为每个图像帧提供深度先验信息，帮助模型更好地理解图像中的深度关系。其次，通过引入特征一致性约束，使得模型在学习过程中，保持在不同数据域下特征的稳定性和一致性，从而降低域偏移对模型性能的影响。
核心结果
在一系列公开数据集上进行的实验表明，GCNet-FCDepth在真实场景下的立体匹配性能相较于传统的单目深度模型有了显著提升。具体表现在以下几个方面： 1. 域泛化能力增强：GCNet-FCDepth在真实场景数据集上的性能表现优于仅使用深度先验或特征一致性约束的模型。 2. 精度提升：该方法能够更准确地估计图像中的深度信息，从而提高立体匹配的精度。 3. 时间效率提高：与需要大量标注数据的模型相比，GCNet-FCDepth对训练时间的要求较低，更加适用于实际应用场景。
结论与意义
本研究提出的GCNet-FCDepth域泛化立体匹配方法，为解决合成数据集上训练的立体匹配模型在真实场景中性能退化的问题提供了一种有效的解决方案。该方法在提高模型域泛化能力的同时，还能保持较高的精度和时间效率。这一成果对于推动立体匹配技术在实际应用中的发展和推广具有重要的理论和实际意义。
文章来源：《实验技术与管理》 网址: http://www.syjsyglzzs.cn/qikandaodu/2026/1027/332.html